コード探索AIが重要な処理を見落とすとき、候補を単純に「呼び出し回数」や「中心性」で並べ替えるだけでは解決しないことがある。入口、初期化、状態の制御、永続化といった役割ごとに、必要な証拠を選ぶ仕組みが欠かせないからだ。

今回の技術調査が示すのは、DAG・RAG・CAGを組み合わせた設計案と、その効果を語るうえでの注意点だ。これはすでに導入・検証された改善ではなく、実装前の提案である。

まず、現状の問題を正確に捉える

調査対象のコードでは、全体の呼び出しグラフを作り、入次数や出次数で候補を順位付けしているわけではなかった。シナリオAでは、明示された必須の静的証拠を先に確保し、残りの候補についてモデルに案内させてから、コードを読み込んで圧縮する。シナリオBのローカルスコアも、質問語とパスや名前の一致を基にしており、グラフの次数ではない。

より根本的な課題は、候補に関数やクラスの定義は含まれていても、モジュール直下の実行文が候補から漏れる点だ。エントリー処理やモジュールレベルの組み立てが、重要でも選択対象にならない可能性がある。また、明示的に指定された必須証拠には予約枠がある一方、意味的に推定する役割には、同じようなローカルのカバー保証がない。

呼び出し式が抽出されていることも、呼び出し先まで確定していることを意味しない。動的な呼び出しや反射など、静的解析では結び付けられない関係を、確定したグラフの辺として扱うべきではない。

提案するのは「役割を分けてから証拠を選ぶ」構成

提案の流れは、認可されたコードのスナップショットからAST（抽象構文木）とバインディング情報を作り、役割別の候補と静的関係を整理したうえで、骨格、追加証拠、知識パッケージの順に処理するものだ。

DAG：依存関係を整理する

呼び出し関係には循環があり得るため、まず強連結成分をまとめ、循環を含む領域を一つのノードとして扱う。そうして得られるDAGは、依存関係の偏序を示すものだ。実行時のライフサイクルがその順番で必ず進む、と示すものではない。

役割の候補には、トリガーとなる入口、初期化・組み立て、状態のオーケストレーション、永続化や入出力の境界などがある。役割はファイル名や関数名だけで断定せず、構文と確実に解決できた参照を優先する。動的インポートや曖昧な別名、反射などは「不明」として残す。

この分類を選択順位の前提に置けば、呼び出し数の多い補助関数が、入口や境界処理の枠を奪うのを防ぎやすい。次数は同じ役割・同じ信号の候補を並べる補助情報として使い、重複した呼び出し先は一度だけ数える案だ。

RAG：構文上のまとまりを崩さずに読む

証拠の単位は、装飾子を含む関数・メソッド、モジュール直下の完全な文、必要に応じたクラスなど。条件分岐や例外処理を途中で切り取り、条件や後始末を見えなくするような取得は避ける。

提案する標準枠は、骨格が最大16ブロック、追加コンテキストが最大12ブロック、例外・リソース境界が最大4ブロック。合計は32ブロックまでで、本文は最大96KiBとする。追加コンテキストが骨格用の枠を消費しないよう、選択レーンを分ける。

必須証拠は、必要な一まとまりを予算内に収められるか確認してから追加する。大きすぎる場合に一部だけ読んで「証拠を確認できた」と扱うことはしない。条件を満たせなければ、未解決またはブロックとして報告する。

CAG：共有参照を使い、知識を再利用しやすくする

ファイル情報やコード位置を一度だけ記録し、複数の事実から同じ参照を使う知識パッケージが提案されている。必須の義務、必要な根拠、未確認事項を先に含め、任意の説明や診断情報は残りの容量に応じて追加する。

出力上限は、24KiBを超えないだけでなく、常態の完全なJSON-RPCフレームを22,016バイト以下にする案だ。24KiBは24,576バイトなので、この設定なら少なくとも2.5KiBの余白を確保できる。文字列のエスケープやフレームの終端も含め、送信する実際のバイト列で測る必要がある。

CAG（Cache-Augmented Generation）は、知識をあらかじめ読み込んで再利用可能なKVキャッシュを活用する考え方だ。1 ただし、安定した知識パッケージを作ることと、特定のモデル提供元でキャッシュが実際に命中することは別問題。キャッシュの挙動や費用、保持時間は利用環境の契約と実測で確かめる必要がある。

「13項目すべて網羅」は、条件付きで考える

選択数や本文サイズ、役割枠、参照の整合性といった制約は、実装後にプログラム上の不変条件として検査できる。一方、それだけで任意のコードベースにある重要な意味的事実を漏れなく見つけられるとは限らない。

仮に検証対象の13項目それぞれに、認可されたコード内の完全な証拠単位があり、必要な単位数が各レーンの枠に収まり、合計本文量と最小の知識パッケージも予算内で、検証器が新しい証拠形式を正しく扱えるなら、網羅を確認できる可能性はある。しかし、選択のヒューリスティックがその証拠を必ず選ぶことや、動的な実行時挙動まで証明できることは別途確認しなければならない。

調査では、独立した受け入れテストを再実行しておらず、13項目と証拠単位・予算を結び付ける検証も行っていない。そのため、安定した13/13の網羅や、意味的な正しさを達成済みとする根拠はない。

関連研究として、AST由来のグラフとLLM抽出の知識グラフを比較する研究11や、Tree-sitterを用いたコードベースの知識グラフ構築を扱う研究10がある。ただし、調査メモでは、これらを根拠に挙げられた具体的な倍率や正答率を裏付ける実験条件までは確認できていない。論文の存在だけを、今回の仕組みの性能保証に置き換えることはできない。

現時点では「設計案」。実装・検証はこれから

今回の作業は読み取り専用の調査と技術設計で、サービスやゲートウェイの変更、テスト、モデルリクエスト、受け入れ確認は実施されていない。今後の実装では、選択数や完全な応答フレームのサイズだけでなく、循環・動的呼び出し・親子定義の重なり・タイムアウト・出典の鮮度を検証する必要がある。

改善の要点は、次数の重みを調整することだけではない。候補に何が含まれるか、どの役割を守るか、証拠をどの単位で選ぶか、そして未確認をどう明示するか。これらを分けて設計し、独立したテストで確かめて初めて、カバー率や再利用性について具体的に評価できる。

コード探索AIが重要な処理を見落とすとき、候補を単純に「呼び出し回数」や「中心性」で並べ替えるだけでは解決しないことがある。入口、初期化、状態の制御、永続化といった役割ごとに、必要な証拠を選ぶ仕組みが欠かせないからだ。

今回の技術調査が示すのは、DAG・RAG・CAGを組み合わせた設計案と、その効果を語るうえでの注意点だ。これはすでに導入・検証された改善ではなく、実装前の提案である。

まず、現状の問題を正確に捉える

調査対象のコードでは、全体の呼び出しグラフを作り、入次数や出次数で候補を順位付けしているわけではなかった。シナリオAでは、明示された必須の静的証拠を先に確保し、残りの候補についてモデルに案内させてから、コードを読み込んで圧縮する。シナリオBのローカルスコアも、質問語とパスや名前の一致を基にしており、グラフの次数ではない。

より根本的な課題は、候補に関数やクラスの定義は含まれていても、モジュール直下の実行文が候補から漏れる点だ。エントリー処理やモジュールレベルの組み立てが、重要でも選択対象にならない可能性がある。また、明示的に指定された必須証拠には予約枠がある一方、意味的に推定する役割には、同じようなローカルのカバー保証がない。

呼び出し式が抽出されていることも、呼び出し先まで確定していることを意味しない。動的な呼び出しや反射など、静的解析では結び付けられない関係を、確定したグラフの辺として扱うべきではない。

提案するのは「役割を分けてから証拠を選ぶ」構成

提案の流れは、認可されたコードのスナップショットからAST（抽象構文木）とバインディング情報を作り、役割別の候補と静的関係を整理したうえで、骨格、追加証拠、知識パッケージの順に処理するものだ。

DAG：依存関係を整理する

呼び出し関係には循環があり得るため、まず強連結成分をまとめ、循環を含む領域を一つのノードとして扱う。そうして得られるDAGは、依存関係の偏序を示すものだ。実行時のライフサイクルがその順番で必ず進む、と示すものではない。

役割の候補には、トリガーとなる入口、初期化・組み立て、状態のオーケストレーション、永続化や入出力の境界などがある。役割はファイル名や関数名だけで断定せず、構文と確実に解決できた参照を優先する。動的インポートや曖昧な別名、反射などは「不明」として残す。

この分類を選択順位の前提に置けば、呼び出し数の多い補助関数が、入口や境界処理の枠を奪うのを防ぎやすい。次数は同じ役割・同じ信号の候補を並べる補助情報として使い、重複した呼び出し先は一度だけ数える案だ。

RAG：構文上のまとまりを崩さずに読む

証拠の単位は、装飾子を含む関数・メソッド、モジュール直下の完全な文、必要に応じたクラスなど。条件分岐や例外処理を途中で切り取り、条件や後始末を見えなくするような取得は避ける。

提案する標準枠は、骨格が最大16ブロック、追加コンテキストが最大12ブロック、例外・リソース境界が最大4ブロック。合計は32ブロックまでで、本文は最大96KiBとする。追加コンテキストが骨格用の枠を消費しないよう、選択レーンを分ける。

必須証拠は、必要な一まとまりを予算内に収められるか確認してから追加する。大きすぎる場合に一部だけ読んで「証拠を確認できた」と扱うことはしない。条件を満たせなければ、未解決またはブロックとして報告する。

CAG：共有参照を使い、知識を再利用しやすくする

ファイル情報やコード位置を一度だけ記録し、複数の事実から同じ参照を使う知識パッケージが提案されている。必須の義務、必要な根拠、未確認事項を先に含め、任意の説明や診断情報は残りの容量に応じて追加する。

出力上限は、24KiBを超えないだけでなく、常態の完全なJSON-RPCフレームを22,016バイト以下にする案だ。24KiBは24,576バイトなので、この設定なら少なくとも2.5KiBの余白を確保できる。文字列のエスケープやフレームの終端も含め、送信する実際のバイト列で測る必要がある。

CAG（Cache-Augmented Generation）は、知識をあらかじめ読み込んで再利用可能なKVキャッシュを活用する考え方だ。1 ただし、安定した知識パッケージを作ることと、特定のモデル提供元でキャッシュが実際に命中することは別問題。キャッシュの挙動や費用、保持時間は利用環境の契約と実測で確かめる必要がある。

「13項目すべて網羅」は、条件付きで考える

選択数や本文サイズ、役割枠、参照の整合性といった制約は、実装後にプログラム上の不変条件として検査できる。一方、それだけで任意のコードベースにある重要な意味的事実を漏れなく見つけられるとは限らない。

仮に検証対象の13項目それぞれに、認可されたコード内の完全な証拠単位があり、必要な単位数が各レーンの枠に収まり、合計本文量と最小の知識パッケージも予算内で、検証器が新しい証拠形式を正しく扱えるなら、網羅を確認できる可能性はある。しかし、選択のヒューリスティックがその証拠を必ず選ぶことや、動的な実行時挙動まで証明できることは別途確認しなければならない。

調査では、独立した受け入れテストを再実行しておらず、13項目と証拠単位・予算を結び付ける検証も行っていない。そのため、安定した13/13の網羅や、意味的な正しさを達成済みとする根拠はない。

関連研究として、AST由来のグラフとLLM抽出の知識グラフを比較する研究11や、Tree-sitterを用いたコードベースの知識グラフ構築を扱う研究10がある。ただし、調査メモでは、これらを根拠に挙げられた具体的な倍率や正答率を裏付ける実験条件までは確認できていない。論文の存在だけを、今回の仕組みの性能保証に置き換えることはできない。

現時点では「設計案」。実装・検証はこれから

今回の作業は読み取り専用の調査と技術設計で、サービスやゲートウェイの変更、テスト、モデルリクエスト、受け入れ確認は実施されていない。今後の実装では、選択数や完全な応答フレームのサイズだけでなく、循環・動的呼び出し・親子定義の重なり・タイムアウト・出典の鮮度を検証する必要がある。

改善の要点は、次数の重みを調整することだけではない。候補に何が含まれるか、どの役割を守るか、証拠をどの単位で選ぶか、そして未確認をどう明示するか。これらを分けて設計し、独立したテストで確かめて初めて、カバー率や再利用性について具体的に評価できる。